【技術實現步驟摘要】
本專利技術涉及圖像處理，尤其涉及一種紡織纖維的分類方法、裝置、計算機設備以及存儲介質。
技術介紹
1、在服飾行業中，為了便于生產管理和產品分析，需要對紡織纖維成分進行科學的判別和分類。隨著深度學習技術和數字圖像處理技術的發展，人工智能在紡織領域中的應用已出現，不少研究人員也開始研究如何將人工智能技術應用于紡織纖維檢測、識別分類等領域。
2、現有的基于神經網絡的紡織纖維分類模型在個別場景下取得了一定的成功，但仍在部分場景下無法進行有效地識別和分類，例如：羊毛和羊絨都是蛋白質纖維，其纖維的表面鱗片層由片狀角質細胞構成，檢測識別難度極大；另外，目前存在部分諸如土種羊毛之類的特殊樣品，導致可能出現羊毛與羊毛之間的差異性比羊毛與羊絨之間的差異性還要大，這部分也很難準確識別。
3、因此，如何對紡織纖維分類模型進行優化以提高紡織纖維分類的準確率，是需要解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供一種紡織纖維的分類方法、裝置、計算機設備以及存儲介質，通過對紡織纖維分類模型進行優化，以提高紡織纖維分類的準確率和分類效率。
2、為了實現上述目的，本專利技術采用了如下技術方案：
3、本專利技術的第一方面是提供一種紡織纖維的分類方法，其包括：
4、獲取待分類的紡織纖維的圖像；
5、將待分類的紡織纖維的圖像輸入至預先訓練好的纖維分類模型中進行分類；
6、其中，所述纖維分類模型基于如下式（1）的總損失函數訓練獲得：
7、------（1）；
8、式（1）中，為總損失函數，為基于余弦相似度計算的三元組損失函數，為基于不同纖維類別的交叉熵損失函數，為三元組損失函數的調節因子，為交叉熵損失函數的調節因子；
9、其中，所述三元組損失函數包括三元組樣本中錨樣本與正樣本的余弦相似度、錨樣本與負樣本的余弦相似度以及正樣本與負樣本的余弦相似度的總和。
10、優選的方案中，所述三元組損失函數的公式如下式（2）：
11、------（2）；
12、式（2）中，為錨樣本a與正樣本p的余弦相似度，為錨樣本a與負樣本n的余弦相似度，為正樣本p與負樣本n的余弦相似度；其中，任意兩組向量和的余弦相似度的計算公式如下式（3）：
13、---（3）；
14、式（3）中，兩組向量和為同類樣本時y=1，兩組向量和為不同類樣本時y=-1，margin為間隔參數；為相似度函數，其計算公式如下式（4）：
15、------（4）；
16、式（4）中， ε為接近于0但不為0的超參數。
17、優選的方案中，所述調節因子的取值為0.7~0.8，所述調節因子的取值為0.9~1.1。
18、優選的方案中，所述交叉熵損失函數的公式如下式（5）：
19、------（5）；
20、式（5）中，n為紡織纖維類別的總數，為第i個紡織纖維類別的真實概率分布，為第i個紡織纖維類別的預測概率分布。
21、優選的方案中，所述交叉熵損失函數進行了標簽平滑優化處理，優化的交叉熵損失函數的公式如下式（6）：
22、------（6）；
23、式（6）中，，其中為dirac函數，為均勻分布函數， ε為接近于0但不為0的超參數。
24、優選的方案中，基于所述式（1）的總損失函數訓練獲得所述纖維分類模型包括：
25、獲取訓練樣本，所述訓練樣本包括多個紡織纖維類別，每一個紡織纖維類別包括多個紡織纖維圖像；
26、將所述紡織纖維圖像輸入待訓練模型，提取各個紡織纖維圖像的特征向量；
27、對于每一個紡織纖維類別，在該類別中選取錨樣本和正樣本，從其他類別中選取負樣本，基于所述三元組損失函數計算三元組損失值；
28、對于每一個紡織纖維類別，基于所述交叉熵損失函數計算交叉熵損失值；
29、基于所述式（1）計算總損失值；
30、將所述總損失值反向傳播優化模型參數，多次迭代訓練直至模型滿足預定要求，獲得訓練好的所述纖維分類模型。
31、優選的方案中，所述將所述紡織纖維圖像輸入待訓練模型，提取各個紡織纖維圖像的特征向量包括：
32、將所述紡織纖維圖像輸入待訓練模型，提取各個紡織纖維圖像的多維度的特征向量；將所述多維度的特征向量進行扁平化處理，獲得各個紡織纖維圖像的一維特征向量。
33、本專利技術的第二方面是提供一種紡織纖維的分類裝置，其包括數據接收模塊和數據處理模塊，所述數據接收模塊用于獲取待分類的紡織纖維的圖像，所述數據處理模塊設置有預先訓練好的纖維分類模型，所述數據處理模塊用于按照如上所述的紡織纖維的分類方法對所述待分類的紡織纖維的圖像進行處理。
34、本專利技術的第三方面是提供一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其中，所述處理器執行所述計算機程序時實現如上所述的紡織纖維的分類方法的步驟。
35、本專利技術的第四方面是提供一種計算機可讀存儲介質，其中，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如上所述的紡織纖維的分類方法的步驟。
36、本專利技術實施例提供的一種紡織纖維的分類方法、裝置、計算機設備以及存儲介質，利用預先訓練好的纖維分類模型對紡織纖維圖像進行分類，其中，通過優化損失函數對模型進行訓練，具體是以基于余弦相似度計算的三元組損失函數和基于不同纖維類別的交叉熵損失函數加權融合形成總損失函數對模型進行訓練，并且三元組損失函數不僅包括錨樣本與正樣本的余弦相似度和錨樣本與負樣本的余弦相似度，還包括正樣本與負樣本的余弦相似度，能夠更好地優化模型模，提高模型的準確性，進而提高了紡織纖維分類的準確率和分類效率。
本文檔來自技高網...【技術保護點】
1.一種紡織纖維的分類方法，其特征在于，包括：
2.根據權利要求1所述的紡織纖維的分類方法，其特征在于，所述三元組損失函數的公式如下式（2）：
3.根據權利要求2所述的紡織纖維的分類方法，其特征在于，所述調節因子的取值為0.7~0.8，所述調節因子的取值為0.9~1.1。
4.根據權利要求1所述的紡織纖維的分類方法，其特征在于，所述交叉熵損失函數的公式如下式（5）：
5.根據權利要求4所述的紡織纖維的分類方法，其特征在于，所述交叉熵損失函數進行了標簽平滑優化處理，優化的交叉熵損失函數的公式如下式（6）：
6.根據權利要求1-5任一項所述的紡織纖維的分類方法，其特征在于，基于所述式（1）的總損失函數訓練獲得所述纖維分類模型包括：
7.根據權利要求6所述的紡織纖維的分類方法，其特征在于，所述將所述紡織纖維圖像輸入待訓練模型，提取各個紡織纖維圖像的特征向量包括：
8.一種紡織纖維的分類裝置，其特征在于，包括數據接收模塊和數據處理模塊，所述數據接收模塊用于獲取待分類的紡織纖維的圖像，所述數據處理模塊設置有
9.一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如上的權利要求1-7任一項所述的紡織纖維的分類方法的步驟。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如上的權利要求1-7任一項所述的紡織纖維的分類方法的步驟。
...【技術特征摘要】
1.一種紡織纖維的分類方法，其特征在于，包括：
2.根據權利要求1所述的紡織纖維的分類方法，其特征在于，所述三元組損失函數的公式如下式（2）：
3.根據權利要求2所述的紡織纖維的分類方法，其特征在于，所述調節因子的取值為0.7~0.8，所述調節因子的取值為0.9~1.1。
4.根據權利要求1所述的紡織纖維的分類方法，其特征在于，所述交叉熵損失函數的公式如下式（5）：
5.根據權利要求4所述的紡織纖維的分類方法，其特征在于，所述交叉熵損失函數進行了標簽平滑優化處理，優化的交叉熵損失函數的公式如下式（6）：
6.根據權利要求1-5任一項所述的紡織纖維的分類方法，其特征在于，基于所述式（1）的總損失函數訓練獲得所述纖維分類模型包括：
7.根據權利要求6所述的紡織纖維的分類方法，其特征在于，...
【專利技術屬性】
技術研發人員：李冰，劉俊偉，
申請(專利權)人：深圳市菲雀蘭博科技研究中心有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。